业务和功能介绍
一、 立项背景与目标
在智能化矿山掘进作业中，对掘锚机的实时、高精度位姿感知是实现自动导航与安全作业的核心前提。传统方案依赖单一定位技术，存在精度低、可靠性差、环境适应性弱的问题。本项目旨在构建一套集成了机器视觉、激光定位与多源传感器的高精度实时感知系统，核心目标包括：
实现亚像素级高精度感知：通过轻量化视觉模型与激光光斑分析，为位姿解算提供高精度输入。
完成六自由度位姿精准解算：融合视觉、惯性导航等多源信息，实现厘米级定位与亚度级姿态测量。
构建可扩展的监控平台：开发插件化上位机系统，灵活集成UWB、SLAM、环视相机等多种传感器，实现掘锚机状态的可视化实时监控。
二、 软件功能与核心模块
系统由下位机智能感知系统与上位机多源融合平台两大部分构成：
下位机智能感知系统：
功能：负责靶标视觉识别、激光光斑定位与六自由度位姿解算。
核心模块：
轻量化视觉识别模块：基于C++部署的YOLOv5模型，实时识别特定靶标。
激光特征提取模块：采用OpenCV的Blob分析，通过自适应阈值与形态学处理，实现光斑质心亚像素级定位（误差<0.1px）。
位姿解算模块：核心为EPnP算法，融合IMU数据构建优化模型，输出高精度位姿（俯仰/横滚角误差<0.5°，横向精度±2cm）。
上位机多源融合平台：
功能：集成并融合多传感器数据，进行实时可视化展示与监控。
核心模块：
多源数据融合引擎：基于卡尔曼滤波，实时融合UWB（±5cm）、LOAM-SLAM（20Hz）、超声波、360°环视RTSP流、IMU等数据。
Qt插件化框架：基于Qt Plugin机制开发，定义了统一的Google Protobuf数据通信协议与插件管理接口。
设备插件集：包括UWB定位插件、SLAM建图插件、超声波雷达插件、视频流处理插件等，支持热插拔。
三、 业务流程与功能路径描述
下位机高精度位姿解算流程：
图像采集与识别：工业相机捕获现场图像，轻量化视觉识别模块（YOLOv5） 实时检测并框出靶标。
激光光斑定位：激光器投射光斑至靶标，激光特征提取模块对图像进行Blob分析，计算出光斑的亚像素级精确质心坐标。
多源数据融合解算：将靶标框、光斑质心坐标与惯性导航模块（IMU） 的实时角度、加速度数据一同输入位姿解算模块（EPnP）。该模块通过求解欧拉角-平移矩阵联合优化模型，最终输出掘锚机相对于目标的六自由度位姿（包括三维位置与三维姿态角）。
上位机综合监控与数据融合流程：
插件化数据接入：各类传感器（UWB基站、SLAM激光雷达、超声波传感器、环视相机）通过对应的设备插件接入系统。插件将原始数据统一封装为Protobuf格式报文。
中心化数据融合：多源数据融合引擎接收来自各插件的标准报文，以下位机解算的高精度位姿为重要观测值，结合UWB绝对位置、
在智能化矿山掘进作业中，对掘锚机的实时、高精度位姿感知是实现自动导航与安全作业的核心前提。传统方案依赖单一定位技术，存在精度低、可靠性差、环境适应性弱的问题。本项目旨在构建一套集成了机器视觉、激光定位与多源传感器的高精度实时感知系统，核心目标包括：
实现亚像素级高精度感知：通过轻量化视觉模型与激光光斑分析，为位姿解算提供高精度输入。
完成六自由度位姿精准解算：融合视觉、惯性导航等多源信息，实现厘米级定位与亚度级姿态测量。
构建可扩展的监控平台：开发插件化上位机系统，灵活集成UWB、SLAM、环视相机等多种传感器，实现掘锚机状态的可视化实时监控。
二、 软件功能与核心模块
系统由下位机智能感知系统与上位机多源融合平台两大部分构成：
下位机智能感知系统：
功能：负责靶标视觉识别、激光光斑定位与六自由度位姿解算。
核心模块：
轻量化视觉识别模块：基于C++部署的YOLOv5模型，实时识别特定靶标。
激光特征提取模块：采用OpenCV的Blob分析，通过自适应阈值与形态学处理，实现光斑质心亚像素级定位（误差<0.1px）。
位姿解算模块：核心为EPnP算法，融合IMU数据构建优化模型，输出高精度位姿（俯仰/横滚角误差<0.5°，横向精度±2cm）。
上位机多源融合平台：
功能：集成并融合多传感器数据，进行实时可视化展示与监控。
核心模块：
多源数据融合引擎：基于卡尔曼滤波，实时融合UWB（±5cm）、LOAM-SLAM（20Hz）、超声波、360°环视RTSP流、IMU等数据。
Qt插件化框架：基于Qt Plugin机制开发，定义了统一的Google Protobuf数据通信协议与插件管理接口。
设备插件集：包括UWB定位插件、SLAM建图插件、超声波雷达插件、视频流处理插件等，支持热插拔。
三、 业务流程与功能路径描述
下位机高精度位姿解算流程：
图像采集与识别：工业相机捕获现场图像，轻量化视觉识别模块（YOLOv5） 实时检测并框出靶标。
激光光斑定位：激光器投射光斑至靶标，激光特征提取模块对图像进行Blob分析，计算出光斑的亚像素级精确质心坐标。
多源数据融合解算：将靶标框、光斑质心坐标与惯性导航模块（IMU） 的实时角度、加速度数据一同输入位姿解算模块（EPnP）。该模块通过求解欧拉角-平移矩阵联合优化模型，最终输出掘锚机相对于目标的六自由度位姿（包括三维位置与三维姿态角）。
上位机综合监控与数据融合流程：
插件化数据接入：各类传感器（UWB基站、SLAM激光雷达、超声波传感器、环视相机）通过对应的设备插件接入系统。插件将原始数据统一封装为Protobuf格式报文。
中心化数据融合：多源数据融合引擎接收来自各插件的标准报文，以下位机解算的高精度位姿为重要观测值，结合UWB绝对位置、
项目实现
1. 整体架构与设计思路
系统采用“感知-解算-融合”分层架构，分为下位机智能感知单元与上位机融合监控平台。设计核心是插件化与协议标准化：上位机通过Qt插件框架动态集成多源传感器，并使用Protobuf统一数据格式；下位机专注高精度视觉与激光感知，通过EPnP等算法输出精密位姿。二者协同，实现从亚像素特征提取到全局融合监控的完整闭环。
关键技术栈：
• 上位机（融合平台）：Qt 5（C++）框架与Plugin模块、Google Protobuf协议、卡尔曼滤波、OpenCV/OpenGL。
• 下位机（感知单元）：YOLOv5（目标检测）、OpenCV（Blob分析、亚像素定位）、EPnP（位姿解算）、C++/嵌入式Linux。
• 数据与通信：自定义TCP/UDP协议、各传感器（UWB、SLAM、超声波、IMU、RTSP流）专用驱动。
2. 我负责的模块与成果
我主导了核心算法的工程化落地与系统框架开发：
• 下位机高精度感知算法实现：将YOLOv5模型部署至嵌入式平台，实现靶标实时识别；基于OpenCV开发激光光斑提取算法，通过自适应阈值与形态学处理达成亚像素级定位（误差<0.1px）；融合EPnP与IMU数据构建优化模型，实现六自由度位姿解算（横向精度±2cm，姿态角误差<0.5°）。
• 上位机插件化融合平台开发：基于Qt Plugin设计并实现插件化架构，定义统一设备接口与Protobuf通信协议，支持UWB、LOAM-SLAM、超声波等传感器热插拔，大幅降低系统耦合度与新设备接入成本；集成多源数据并通过卡尔曼滤波实现掘锚机姿态的实时融合与可视化监控。
系统采用“感知-解算-融合”分层架构，分为下位机智能感知单元与上位机融合监控平台。设计核心是插件化与协议标准化：上位机通过Qt插件框架动态集成多源传感器，并使用Protobuf统一数据格式；下位机专注高精度视觉与激光感知，通过EPnP等算法输出精密位姿。二者协同，实现从亚像素特征提取到全局融合监控的完整闭环。
关键技术栈：
• 上位机（融合平台）：Qt 5（C++）框架与Plugin模块、Google Protobuf协议、卡尔曼滤波、OpenCV/OpenGL。
• 下位机（感知单元）：YOLOv5（目标检测）、OpenCV（Blob分析、亚像素定位）、EPnP（位姿解算）、C++/嵌入式Linux。
• 数据与通信：自定义TCP/UDP协议、各传感器（UWB、SLAM、超声波、IMU、RTSP流）专用驱动。
2. 我负责的模块与成果
我主导了核心算法的工程化落地与系统框架开发：
• 下位机高精度感知算法实现：将YOLOv5模型部署至嵌入式平台，实现靶标实时识别；基于OpenCV开发激光光斑提取算法，通过自适应阈值与形态学处理达成亚像素级定位（误差<0.1px）；融合EPnP与IMU数据构建优化模型，实现六自由度位姿解算（横向精度±2cm，姿态角误差<0.5°）。
• 上位机插件化融合平台开发：基于Qt Plugin设计并实现插件化架构，定义统一设备接口与Protobuf通信协议，支持UWB、LOAM-SLAM、超声波等传感器热插拔，大幅降低系统耦合度与新设备接入成本；集成多源数据并通过卡尔曼滤波实现掘锚机姿态的实时融合与可视化监控。
示例图片视频
相似推荐
广东省国土资源空间规划质检软件
🔹 项目内容｜从痛点洞察到架构级解决方案
✅ 主导质检架构革命性重构（核心突破）
深度分析23个地市12类业务场景的迭代反馈，精准定位“需求变更频繁、开发重复度高”痛点，突破原有单体框架，独立设计新一代质检架构：
三级方案管理体系：首创“模板方案→发布方案→历史方案”流程引擎式架构，实现方案热更新“改不影响用、删不影响旧”，迭代效率提升300%；
标准化配置体系：定义流程模板+接口规范+规则配置三要素，将质检逻辑解耦为“可视化编排+算子调用”，实施人员可独立配置90%新需求；
插件化开发框架：基于开闭原则设计算子注册机制，新增规则仅需实现指定接口，框架自动调度执行。
✅ 混合存储体系攻坚（亲写核心代码）
设计“Oracle（业务元数据）+ ES（730万+错误明细）+ 人大金仓（空间图形）”三级存储架构；
编写SpringBoot Kafka消费者：智能解析JSON→剥离Geometry→BulkProcessor批量写入ES；含图形错误通过存储过程同步至人大金仓，主库上线后零扩容。
✅ 全流程技术闭环
绘制部署图/数据流图/顺序图等12+架构文档，统一团队认知；
亲写调度引擎（C#线程池动态调度）、ES查询框架（Java注解驱动）、代理网关（JWT鉴权）等核心模块；
输出《算子开发规范》《配置操作手册》，培训实施团队实现“无代码配置”，释放开发资源。
🔹 硬核成果｜数据验证技术价值
🌍 规模化业务落地
→ 覆盖全省23地市，支撑12类自然资源业务场景、54个质检方案、1179条规则
→ 累计完成18,000+质检任务，精准存储730万+错误数据行，系统可用性99.95%
⚡ 技术复用革命
→ 实施零编码：90%新需求由实施人员通过配置实现，开发介入减少80%
→ 算子开发聚焦：2025年团队高效开发114个算子（占4年总量50%），沉淀为自然资源领域标准算子库
→ 存储成本归零：主数据库压力降低70%，上线至今未申请扩容，年节约成本15万元
🏆 知识产权与行业认可
→ 国家发明专利1项（《一种智能调度和趋势监控的方法》第一发明人）
→ 软件著作权1项｜架构设计获客户“技术创新标杆项目”表彰
🔹 深度感悟｜技术管理者的核心价值
💡 痛点即创新起点
没有止步于“修修补补”，而是通过深度观察1179条规则的共性，将碎片需求抽象为可复用架构——真正的技术领导力，在于把业务复杂度转化为系统简洁性。
💡 架构是业务与技术的翻译器
三级方案管理体系不仅是技术设计，更是对“业务试错-方案固化-历史追溯”工作流的精准映射；混合存储方案是性能、成本、扩展性的最优解。技术人必须懂业务逻辑，才能设计出“活”的系统。
💡 赋能团队创造复利价值
当实施人员能独立配置需求，当开发专注高价值算子，团队生产力实现质变。技术管理者的终极使
长春科软信息技术有限公司-汽车移动端系统
主导系统用户管理模块的后端开发，覆盖用户注册、信息维护、权限变更、逻辑删除及多维度检索等核心功能。采用 RBAC（基于角色的访问控制）模型 设计权限体系，结合 JWT + OAuth2.0 实现无状态身份鉴权，确保用户数据操作的安全性与可追溯性。针对用户表千万级数据量，通过 分库分表（ShardingSphere）+ 索引优化 提升查询效率，复杂检索场景引入 Elasticsearch 实现毫秒级响应。共同开发共同为吉利、红旗、奥迪等知名品牌开发移动端后端系统，处理高并发用户请求，设计RESTful API接口，确保系统稳定性和响应速度。
多线程任务调度系统-ThreadLoom
ThreadLoom 是一款基于 C++17 的高性能任务调度框架，核心业务在于通过优先级管理实现复杂的并发任务控制。
核心功能
双模式任务模型：支持轻量化的 Lambda 表达式和可扩展的 Task 类继承。
严格优先级调度：内置 Critical 到 Low 四个等级，确保高优先级任务完成后再执行低优先级任务。
两阶段运行机制：采用“批量提交 -> 统一启动”模式，先排序再执行，保证调度的确定性。
完备的状态管理：支持任务的原子级取消、实时状态追踪（Pending/Running/Completed 等）及阻塞式等待（waitAll）。
适用场景
适用于对执行顺序有严格要求、且需要跨平台支持（Windows/Linux/macOS）的 C++ 并发开发场景。
校园外卖小程序
1. 立项背景与目标：发现高校里外卖进不来、点单要排队、校园里的各类信息也不好传递等问题，于是启动这个校园综合服务平台项目。核心目标就是做一个贴合大学生需求的平台，把餐饮、社交和配送整合到一起，让学生、商户都能受益，目前已经在10多所高校用起来了，服务了上万名学生。
2. 软件功能及核心模块：主要有四个核心功能，都是围绕校园场景设计的。一是校园外卖，整合学校食堂和周边商家，方便学生点单；二是校园墙，供学生发失物招领、闲置转让等信息，还能互动交流；三是扫码点餐，去食堂或商家不用排队，扫个码就能点单付钱；四是专属骑手配送，组建专门的配送团队，确保餐品能及时送到学生手里，四个功能相互配合，适配校园日常使用。
3. 业务流程与功能路径：整体流程很简单，形成一个闭环。学生端点外卖、扫码点餐，在校园墙发信息；平台这边负责审核订单和信息，安排骑手配送、对接商家；商家接到订单后出餐，骑手取餐配送；最后学生取餐、确认，或者在校园墙互动，整个流程高效顺畅，能快速落地服务。
电商平台订单系统重构（微服务版）
该项目是为一家中型电商企业重构其订单交易模块。原系统为单体架构，大促期间订单处理缓慢、库存超卖频发。目标是构建高可用、可横向扩展的订单中台，支撑日均10万级订单量。
核心功能包括：
订单下单、支付回调、状态流转管理
库存扣减与回滚
订单超时自动取消
订单数据分库分表存储
帮助文档
Copyright @ 2021-2024 程聚宝 | 浙ICP备2021014372号
人工客服